机器学习 实验一 感知机及其运用

机器学习实验-计算机18级	https://edu.cnblogs.com/campus/ahgc/machinelearning
作业要求	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950
学 号	3180701238

一、实验目的

理解感知器算法原理，能实现感知器算法；

掌握机器学习算法的度量指标；

掌握最小二乘法进行参数估计基本原理；

针对特定应用场景及数据，能构建感知器模型并进行预测。

二、实验内容

安装Pycharm，注册学生版。

安装常见的机器学习库，如Scipy、Numpy、Pandas、Matplotlib，sklearn等。

编程实现感知器算法。

熟悉iris数据集，并能使用感知器算法对该数据集构建模型并应用。

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris # 导入数据
import matplotlib.pyplot as plt
%matplotlib inline

# load data 下载数据
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names) #生成表格
df['label'] = iris.target #增加一列为类别标签

df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
df.label.value_counts() #函数可以对df里面label每个值进行计数并且排序，默认是降序

plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')#将数据的前50个数据绘制散点图
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')#将数据的50-100之间的数据绘制成散点图
plt.xlabel('sepal length')#给x坐标命名
plt.ylabel('sepal width')#给y坐标命名
plt.legend()

对数据进行预处理

data = np.array(df.iloc[:100, [0, 1, -1]])#按行索引,取出第0，1，-1列

X, y = data[:,:-1], data[:,-1]#X为sepal length，sepal width y为标签

y = np.array([1 if i == 1 else -1 for i in y])//将两个类别设重新设置为+1 —1

# 定义算法
# 此处为一元一次线性方程 
class Model:
    def __init__(self): #将参数w1,w2置为1 b置为0 学习率为0.1
        self.w = np.ones(len(data[0])-1, dtype=np.float32) #data[0]为第一行的数据len（data[0]=3)这里取两个w权重参数
        self.b = 0
        self.l_rate = 0.1
        # self.data = data
    def sign(self, x, w, b):
        y = np.dot(x, w) + b
        return y
     #随机梯度下降法
    def fit(self, X_train, y_train):
        is_wrong = False #初始假设有误分点
        while not is_wrong:
            wrong_count = 0 #误分点个数初始为0
            for d in range(len(X_train)):
                X = X_train[d] #取X_train一组及一行数据
                y = y_train[d] #取y_train一组及一行数据
                if y * self.sign(X, self.w, self.b) <= 0: #为误分点
                    self.w = self.w + self.l_rate*np.dot(y, X) #对w和b进行更新
                    self.b = self.b + self.l_rate*y
                    wrong_count += 1 #误分点个数加1
            if wrong_count == 0: #误分点个数为0，算法结束
                is_wrong = True
        return 'Perceptron Model!'
 
    def score(self):
        pass

perceptron = Model()
perceptron.fit(X, y)#感知机模型

#画出超平面
x_points = np.linspace(4, 7,10) #用于产生4,7之间的10点行矢量。其中4、7、10分别为起始值、中止值、元素个数。----产生x坐标
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]#绘制超平面
plt.plot(x_points, y_)
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')#将数据的前50个数据绘制散点图
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')#将数据的50-100之间的数据绘制成散点图
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

from sklearn.linear_model import Perceptron

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
#fit_intercept（默认True）是否对参数 b 进行估计，若为False则数据应是中心化的
#max_iter(默认1000）最大迭代次数
#shuffle（默认True）每轮训练后是否打乱数据
clf.fit(X, y)

# Weights assigned to the features.
print(clf.coef_)

print(clf.intercept_)

#画出sklearn结果的散点图
x_ponits = np.arange(4, 8)
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]
plt.plot(x_ponits, y_)
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

运行截图

实验小结
通过这次实验学会了感知机。①是一种人工神经网络感知机可以通过数学统计学方法完成对函数的估计或近似，能在外界信息的基础上改变内部结构，是一种自适应系统，通俗的讲就是具备学习功能。②是一种最简单形式的前馈神经网络
感知机模型的参数从输入层向输出层单向传播，整个网络中无反馈。感知机是最简单形式是因为只包含一层传播。